智元自研全模态大模型 WITA-Omni Preview 以综合 85.21 分登顶具身全模态理解权威榜单 DailyOmni，八项细分指标中六项第一，超越千问、Gemini、豆包、英伟达等国内外领先模型，成为首家在"声画对位"核心交互赛道上跑赢通用大模型厂商的具身智能企业。
注：柱形长度示意相对差距，非精确比例。仅第一名综合得分为公开数据，其余模型排名基于公开榜单排序，具体分数未披露。八项指标中 WITA-Omni 在音视频对齐、事件时序、综合推理、比较理解、30秒视频理解、60秒视频理解六项上取得第一。
DailyOmni 由行业权威机构推出，专门评测具身全模态理解能力。它与传统图文基准的区别非常直接：
考"模型知不知道"——答题式评测，依赖单一画面或语言先验，与真实交互距离较远。
考"模型能不能在真实开放环境中同步理解声音和画面"——声画对位、事件时序、跨模态联合推理，缺一不可。
注：三项核心维度分数均来自公开榜单。音视频对齐考察声画主体对应，事件时序考察先后顺序判断，综合推理考察必须同时结合声音和画面才能完成的跨模态推理。
更关键的一点：DailyOmni 大量采用真实开放环境的音视频素材——展厅嘈杂声、多人对话重叠、自然交互中的停顿与打断。这些场景恰恰是机器人进入家庭、工厂、服务空间时每天都要面对的真实挑战。
分数的胜负之外，这份排名更指向技术路线的选择。
站在 DailyOmni 榜单上的，是千问、Gemini、豆包、英伟达等通用大模型厂商的商用或旗舰模型。智元是其中少有的"具身智能赛道选手"。一家以机器人起家的公司，在全模态理解上跑赢了大模型大厂——这背后是从机器人原生交互场景出发构建全模态能力的差异化路径。
传统机器人交互像一条流水线：先识别语音、再理解语义、再生成回复、再合成语音、最后输出动作。每一步都有延迟，每换一棒都有损耗。
这种级联架构存在三重天然缺陷。
多模块串行调用 → 延迟累积；信息跨模块转换 → 语义损失；语音、动作、表情独立生成 → 节奏与情绪不同步。最终每个模块都能工作，却不像一个协调的智能体。
Thinker–Talker–Actor 在统一时间轴上同步推进，替代串行模式。理解与表达从两个步骤变成同一个生成过程的不同维度。
三个模块的分工与协同：
Thinker 把文本、图像、音频、音视频映射到统一表示空间，做跨模态联合推理；Talker 以 Thinker 的隐状态为条件流式生成自然语音；Actor 由动作头与表情头组成，不仅接收语义状态，还以 Talker 的音频隐变量为条件，使动作感知语速、重音和情绪变化。
跨流同步机制——这是整个架构最核心的设计。
Actor 以 Talker 的音频隐变量为条件，意味着机器人的手势和表情从语音生成的过程中就能实时响应，而非等到语音合成完成后再"配"动作。语音、动作和表情在同一条时间线上同步推进，理解与回应同时完成。
通用大模型厂商的全模态模型，大多优先适配线上数字内容交互；而智元从机器人原生交互需求出发，重新定义了全模态模型的结构。这既是工程架构的创新，也体现了具身智能公司独特视角带来的差异化竞争力。
答案不复杂：智元一直围绕"三智一体"构建差异化竞争力。运动智能是物理载体的执行器，作业智能让机器人自主干活，交互智能让机器人自然交流。三者协同，才是机器人走进真实场景的真正门槛。
此前，智元已在 WorldArena 具身智能综合评测中拿下总分第一，作业智能的 GO 系列基础模型、运动智能的运控基座模型均已建立行业领先优势。WITA-Omni 在交互智能维度的全球登顶，让"三智一体"的完整能力版图浮出水面。
2026年，具身智能行业迎来从开发态向部署态的关键跨越。
机器人走进产线、门店和家庭，创造真实生产力。部署态的核心门槛，是三个智能的协同：运动智能决定能否走进场景，作业智能决定能否完成劳动，交互智能决定能否给人提供情绪价值、产生服务生产力。
智元在行业率先推出的七大生产力解决方案中，三智一体的完整能力栈是其底层支撑。WITA-Omni 此次登顶，让机器人距离真实世界的自然交互更近了一步，也让"既有本体、更有 AI"的定位落地为可验证的能力闭环。
具身智能的竞争正从"单项参数比拼"转向"三智协同的系统工程"。交互能力不再是锦上添花，而是决定机器人能否从工具变为伙伴的关键门槛。谁先打通"感知—推理—表达—交互"的全链路，谁就握住了下一阶段的入场券。
WITA-Omni Preview 已集成至智元机器人全系产品，支撑从工业制造到商业服务、家庭陪伴的多元场景。
三智齐备，机器人正在从"能干活"走向"能相处"。